多发性硬化和神经炎光谱障碍与多层次fMRI特征之间的区别:机器学习分析
Xiao Liang1,2, Qingwen Zeng3, Yanyan Zhu1,2
1Department of Radiology, The First Affiliated Hospital, Jiangxi Medical College, Nanchang University, Nanchang, 330006, Jiangxi, China.
Scientific reports
|January 14, 2025
概括
多层次功能性MRI指标有效地区分了多发性硬化症 (MS) 和神经髓炎光谱障碍 (NMOSD). 结合静止状态功能连接 (RSFC),ALFF和ReHo,可以提供优越的诊断准确度,而不是单个特征.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 神经学 神经学
背景情况:
- 休息状态功能性MRI (rs-fMRI) 的传统统计分析显示,在区分多发性硬化症 (MS) 和神经omyelitis光谱障碍 (NMOSD) 中存在局限性.
- 改进的诊断工具对于在这些神经疾病中准确的患者管理至关重要.
研究的目的:
- 开发和评估机器学习模型,以使用多级rs-fMRI指标来区分MS和NMOSD.
- 在分类中评估灰色物质体积 (GMV) 数据的附加值.
主要方法:
- 从116个大脑区域中提取了多层次的功能指标 (RSFC,ALFF,ReHo),使用了解剖自动标记地图.
- 开发并比较了整合这些特性的支持向量机 (SVM) 和后勤回归 (LR) 分类器.
- 在独立测试队列上评估模型性能.
主要成果:
- 结合RSFC,ALFF和ReHo的综合模型实现了比使用单个特征的模型更高的分类性能 (SVM AUC=0.857,LR AUC=0.929).
- 包括转基因病毒数据并没有显著提高分类准确性.
- 在不同的大脑模板中,最佳性能是一致的.
结论:
- 多层次的rs-fMRI特征 (RSFC,ALFF,ReHo) 提供了一个强大的和有效的方法来区分MS和NMOSD患者.
- 这种方法为提高神经免疫学疾病的诊断效率提供了一个有希望的途径.
